Byte의 발자취

# 테슬라 주가 데이터를 다운받아서 Prophet을 활용하여 분석해 보자.# 출처 : https://www.nasdaq.com/market-activity/stocks/tsla/historicalimport pandas as pddf = pd.read_csv('/content/HistoricalData_1713768604457.csv')df.info() # 분석을 좀더 용이하게 하기위해 컬럼명을 간결하게 변경df.columns = ['Date','Close','Volume','Open','High','Low' ]df.columns Index(['Date', 'Close', 'Volume', 'Open', 'High', 'Low'], dtype='object') # 테슬라 데이터라는 구분을 위해 ID 컬럼..

STEP #0: PROBLEM STATEMENTThe Chicago Crime dataset : 2001 ~ 2017.Datasource: 캐글 https://www.kaggle.com/currie32/crimes-in-*chicago*Dataset contains the following columns:ID: Unique identifier for the record.Case Number: The Chicago Police Department RD Number (Records Division Number), which is unique to the incident.Date: Date when the incident occurred.Block: address where the incident occurr..

# Auto MPG 데이터셋을 사용하여 1970년대 후반과 1980년대 초반의 자동차 연비를 예측하는 모델을 만듭니다.# 이 정보에는 실린더 수, 배기량, 마력(horsepower), 공차 중량 같은 속성이 포함됩니다.import pandas as pdimport numpy as npimport matplotlib.pyplot as plt# 구글 드라이브 마운트from google.colab import drivedrive.mount('/content/drive') Mounted at /content/drive# Working Directory 설정 # 파일은 auto-mpg.csv 입니다.df = pd.read_csv('/content/drive/MyDrive/Colab Notebooks/ML2/dat..

# PROBLEM STATEMENT # 다음과 같은 컬럼을 가지고 있는 데이터셋을 읽어서, 어떠한 고객이 있을때, 그 고객이 얼마정도의 차를 구매할 수 있을지를 예측하여, 그 사람에게 맞는 자동차를 보여주려 한다.Customer NameCustomer e-mailCountryGenderAgeAnnual SalaryCredit Card DebtNet Worth (순자산)# 예측하고자 하는 값 :Car Purchase AmountSTEP #0: 라이브러리 임포트 및 코랩 환경 설정import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as sns # csv 파일을 읽기 위해, 구글 드라이브 마운트 하시오from go..

# 금융상품 갱신 여부 예측하는 ANN# Churn_Modelling.csv 파일을 보면, 고객 정보와 해당 고객이 금융상품을 갱신했는지 안했는지의 여부에 대한 데이터가 있다.# 이 데이터를 가지고 갱신여부를 예측하는 딥러닝을 구성하시오.# 실습은 구글 Colab을 사용하여 진행한다. # Importing the librariesimport numpy as npimport matplotlib.pyplot as pltimport pandas as pdimport seaborn as sb # 데이터 불러오는 방법은 이전장에서 설명했던 방법중 내 구글 드라이브에 csv 파일을 갖다놓고, 코랩을 연경실키는 방법을 사용.from google.colab import drive drive.mount('/content..